sara.dahlmann January 24, 2020
Innlegget leses best på den opprinnelige studentbloggen

Denne uken lære vi om et tema som heter kunstig intellegens. Dette var noe jeg personlig synes var spennende og det å gå litt dypere i dette er noe som kunne interessert meg så oppgaven å skrive om dette var veldig gøy!

Innenfor næringslivet har det de siste året skutt i interesse for kunstig intelligens. Det brukes flere milliarder for utviklingen av AI (artificial intelligence) relaterte teknologi og produkter. Denne type teknologi brukes for å etablere selskaper altså AI oppstartbedrifter som eksempel Facebook, IBM og google bruker flere milliarder på å kjøpe opp

Kunstig intelligens er teknologi mennesker bruker for å gi datamaskiner og dataprogrammer mest mulig inteleggenst respons, altså enkelt forklart er kunstig  intelligens er systemer innenfor teknologi som gir datamaskiner mulighet til å observere miljø og ta egne avgjørelser. 

Kunstig intelligens er det motsatte av natur og har vokst frem gjennom bidrag fra matematikk, statistikk, psykologi, informatikk, lingvistikk og nevrologi. Innenfor dette går det to grener jeg synes er fasinerende, nemlig maskinlæring og dyp læring.

Maskinlæring er en gren som har bidrag fra både matematikk, informatikk og beregningsorientert statistikk. Her er det fokus på design og utvikling av algoritmer noe som gir datamaskinene teknologien til å lære og utvikle adferd basert på empiriske mål. Når man skal utforske maskinlæring er hovedfokuset å automatisere og lære maskinen til å gjenkjenne komplekse mønstre og gjøre intelligente beslutninger basert på data. Det en læringsalgoritme gjør er å bruke et sett treningsdata for å vidre kunne utvikle eller forbedre en atferd. 

Den andre grensen som fasinerer meg innen dette temaet er dyp lære, noe som er en prosess der man skal trene opp «dype kunstige nervale nettverk». Noe som igjen er en sentral metode innenfor maskinlære, der prinsippet som sagt over er å tilegne seg kunnskap om noe datamaskinen ikke vet noe eller kan noe om fra før av. Dyp læring baserer seg på algoritmer som prøver å modellere abstraksjoner i data på høyt nivå ved at man bruker mange prosess-slag med komplekse strukturer, som består av mange affine og ikke-lineære transformasjoner